library(ggplot2)
library(plotly)
# library(data.table)
library(tidyverse)
Fuentes:
La producción de petróleo crudo de largo plazo proviene del Anuario de Combustibles, de la cual contamos datos desde 1911 hasta 1992. Sus valores para el período 1980-1992 coinciden con los de EIA, por lo cual pueden usarse como fuentes alternativas. Asimismo, la evolución de SESCO es similar a la de EIA, salvo por pequeñas divergencias entre 2008 y 2013. La serie de Regalías presenta un nivel menor que las anteriores debido a las deducciones de producción que realizan las empresas para pagar un menor nivel de Regalías hacia las provincias donde realizan la producción. Por último, la serie del Ministerio de Economía coincide con Regalías en sus primeros años, luego presenta un nivel intermedio entre Regalías y SESCO y a partir de 2009 toma a SESCO como fuente. Salvo el Anuario de Combustibles, el resto de las series presentan datos hasta los últimos años. Por lo tanto, el criterio de selección para la serie de producción con la que se realizarán los cálculos es el siguiente:
# prod_crudo = fread("../resultados/data_viz/produccion_crudo.csv")
prod_crudo = read.csv("../resultados/data_viz/produccion_crudo.csv")
ggplotly(prod_crudo %>%
mutate(regalias = case_when(regalias == 0 ~ NA_real_,
T ~ regalias)) %>%
select(-prod_crudo) %>%
gather(key = fuente, value = valor, 4:ncol(.)) %>%
ggplot(aes(anio, valor, color = fuente))+
geom_line()+
labs(title = "Gráfico 1. Producción de petróleo crudo.
Argentina (1911 - 2020)",
y = "Millones de Barriles",
caption = "Fuente: elaboración propia en base a Anuario de Combustibles, EIA, Ministerio de Economía, Secretaría de Energía (Base Regalías y SESCO)")+
# scale_y_continuous(labels=function(x) format(x, big.mark = ".", scientific = FALSE))+
scale_y_continuous(labels = scales::unit_format(unit ="", scale = 1e-6))+
theme(legend.position = "bottom"), width = 600, height = 400)
Tabla 1. Producción de petróleo crudo en Argentina según distintas fuentes (barriles)
Al igual que en la producción de petróleo crudo, la serie de largo plazo de producción de gas proviene del Anuario de Combustibles, de la cual contamos datos desde 1913 hasta 1992. A diferencia del crudo, sus valores para el período 1980-1992 no coinciden con los de EIA, pero está última sí coincide con los de Regalías entre 1999 y 2015. En cambio, la serie de SESCO, tiende a continuar la evolución de EIA y Regalías, pero con el nivel del Anuario de Combustibles, por lo que ambos pares de series pueden empalmar coherentemente según su nivel. Nuevamente, los valores de la base de Regalías son menores debido a las deducciones de producción para tributar menos regalías. La serie del Ministerio de Economía toma los valores de SESCO.Por lo tanto, el criterio de selección para la serie de producción de gas para los cálculos es el siguiente:
prod_gas = read_csv("../resultados/data_viz/produccion_gas.csv", col_types = cols(...1 = col_skip()),
locale = locale(encoding = "ISO-8859-1"))
ggplotly(prod_gas %>%
select(-prod_gas) %>%
mutate(regalias = case_when(regalias == 0 ~ NA_real_,
T ~ as.double(regalias))) %>%
gather(key = fuente, value = valor, 4:ncol(.)) %>%
ggplot(aes(anio, valor, color = fuente))+
geom_line()+
labs(title = "Gráfico 2. Producción de gas.
Argentina (1913 - 2020)",
y = "MMBTU",
caption = "Fuente: elaboración propia en base a Anuario de Combustibles, EIA, Ministerio de Economía, Secretaría de Energía (Base Regalías y SESCO)")+
scale_y_continuous(labels=function(x) format(x, big.mark = ".", scientific = FALSE))+
theme(legend.position = "bottom"), width = 600, height = 400)
Tabla 2. Producción de gas natural en Argentina según distintas fuentes (MMBTU)
Fuentes:
precio_mi_crudo = read.csv("../resultados/data_viz/precio_mi_crudo.csv")
ggplotly(precio_mi_crudo %>%
select(-precio_crudo_mdoint) %>%
mutate(regalias =
case_when(regalias == 0 ~ NA_real_,
T ~ regalias)) %>%
gather(key = variable, value = valor, 4:ncol(.)) %>%
ggplot(aes(anio, valor, color = variable, shape = variable))+
geom_line(alpha = 0.8)+
labs(title = "Gráfico 3. Precios del mercado interno del petróleo crudo.
Argentina (1963 - 2020)",
y = "USD/barril")+
theme(legend.position = "bottom"), width = 800, height = 600)
Tabla 3. Precio del mercado interno del petróleo crudo en Argentina según distintas fuentes (barriles)
Tabla 4. Precio del mercado interno del gas natural en Argentina según distintas fuentes (barriles)
Precios de exportación desde Argentina, benchmarks y Precios del mercado de EEUU (solo gas, internos y de expo/impo)
precios_referencia_y_expo_crudo = read.csv("../resultados/precio_expo_y_mdo_mundial_crudo.csv")
ggplotly(precios_referencia_y_expo_crudo %>%
select(-c("...1", precio_me_crudo)) %>%
gather(key = tipo_precio,
value = valor,
3:ncol(.)) %>%
# filter(!(tipo_precio %in% c("precio_gas_bolivia_usd_idee", "precio_impo_gas_bolivia_MMBTU_comtrade",
# "precio_expo_gas_comtrade", "precio_expo_gas_indec"))) %>%
# filter(anio != 2002 & tipo_precio != "precio_expo_crudo_indec") %>%
ggplot(aes(x = anio, y = valor, color = tipo_precio))+
geom_line(alpha = 0.9) +
theme(legend.position = "bottom")+
labs(title = "Precios de exportación y referencia del mercado mundial del crudo",
y = "USD/barriles") , width = 600, height = 400)
# visualizacion diferencial de precio mdo interno
precio_crudo_mdoint <- readxl::read_excel("../resultados/argentina/renta_de_la_tierra_hidrocarburifera_arg.xlsx", sheet= "precio_interno_crudo")
precio_crudo_mdoext <- readxl::read_excel("../resultados/argentina/renta_de_la_tierra_hidrocarburifera_arg.xlsx", sheet= "precios_externo_crudo")
# precio_crudo_mdoint %>%
# select(anio, precio_crudo_mdoint) %>%
# left_join(precio_crudo_mdoext %>%
# select(anio,precio_me_crudo, wti_eia ,brent_iea
# ), by = "anio") %>%
# # select(-precio_crudo_mdoint) %>%
# reshape2::melt(., id.vars="anio") %>%
# ggplot(aes(anio, value, color = variable))+
# geom_line()+
# labs(title = "Precio de venta al mercado interno, exportacion y referencias del petróleo crudo",
# x = "Año", y = "USD/barril", caption = "Fuente: ver anexo metodológico")+
# # theme_bw()+
# theme_light()+
# theme(legend.position = "bottom")+
# scale_x_continuous(breaks = pretty(precio_crudo_mdoint$anio, n = 10))
#
# ggsave("../resultados/argentina/precio_interno_vs_externo.jpg")
precio_mdomundial_gas_MMBTU = read.csv("../resultados/data_viz/precio_mdomundial_gas_MMBTU.csv")
graf_precio_mdo_mundial_gas_mmbtu <- precio_mdomundial_gas_MMBTU %>%
filter(precio_externo_gas < 25) %>%
gather(key = tipo_precio,
value = valor,
3:ncol(.)) %>%
filter(
valor < 25,
!(tipo_precio %in% c("bp_oil_mix_mean_oecd"
# , "precio_expo_gas_indec"
# "precio_gas_bolivia_usd_idee",
# "precio_impo_gas_arg_bolivia_comtrade",
# "precio_expo_gas_comtrade"
))) %>%
# filter(!(tipo_precio %in% c("precio_expo_gas_indec"))) %>%
ggplot(aes(x = anio, y = valor, color = tipo_precio))+
geom_line() +
# theme(legend.position = "bottom")+
theme(legend.position = "right")+
labs(title = "Precios de exportación y referencia del mercado mundial del gas",
y = "USD/MMBTU")
ggplotly(graf_precio_mdo_mundial_gas_mmbtu, width = 600, height = 400)
expo_usd_crudo = read.csv("../resultados/data_viz/expo_usd_crudo.csv")
expo_q_crudo = read.csv("../resultados/data_viz/expo_q_crudo.csv")
expo_q_crudo %>%
select(-expo_crudo) %>%
gather(key = fuente, value = valor , 3:ncol(.)) %>%
ggplot(aes(x = anio, y = valor, color =fuente ))+
geom_line()
expo_usd_crudo %>%
select(-expo_crudo) %>%
gather(key = fuente, value = valor , 3:ncol(.)) %>%
ggplot(aes(x = anio, y = valor, color =fuente ))+
geom_line()
expo_usd_gas = read.csv("../resultados/data_viz/expo_usd_gas.csv")
expo_q_gas = read.csv("../resultados/data_viz/expo_q_gas.csv")
expo_q_gas %>%
select(-expo_gas) %>%
gather(key = fuente, value = valor , 3:ncol(.)) %>%
ggplot(aes(x = anio, y = valor, color =fuente ))+
geom_line()
expo_usd_gas %>%
select(-expo_gas) %>%
gather(key = fuente, value = valor , 3:ncol(.)) %>%
ggplot(aes(x = anio, y = valor, color =fuente ))+
geom_line()
Se presentan a continuación distintas estimaciones sobre la magnitud de riqueza presente en el sector hidrocarburífero: Valor Bruto y Agregado de Producción (VBP y VA), Consumo Interemedio (CI), Masa Salarial (MS) y Excedente Bruto de Explotación (EBE). El VBP surge de la valuación de la producción a sus precios correspondientes. El VA resulta de la diferencia entre el VBP y CI, el cual puede surgir originalmente de esta resta o a partir del coeficiente técnico de la Matriz Insumo Producto (MIP). El EBE constituye la plusvalía (PV) total de la rama, es decir, la suma de la renta de la tierra (RT) más la ganancia normal (Gnorm), y se obtiene luego de descontar la MS y los impuestos específicos (Imp) del VA. En todos los casos que se presentarán a continuación, los Imp se calcularon a partir de aplicar sobre el VBP un coeficiente resultante del peso de los impuestos promedio de la MIP de 1997. Lo mismo pasa con la estimación de la depreciación de capital o consumo de capital fijo (ConsKfijo), que se obtiene a partir de aplicar la tasa de depreciación promedio resultante de los balances de YPF (1998 - 2018) sobre el total de Propiedad, Planta y Equipo (PPyE) de la rama. Esta partida se aplica para obtener el Excedente Neto de Explotación. Se presentan distintas estimaciones para el VBP, CI y MS, que luego se observarán en la formulación matemática:
Valor Bruto de Producción total, estimación con criterio propio \[VBP_{propia} = (Pext_{petróleo} * Q_{petróleo} + Pext_{gas} * Q_{gas}) * TCP\]
Donde:
Valor Bruto de Producción total, estimación con criterio CCNN \[VBP_{CCNN} = (Pint_{petróleo} * QMInt_{petróleo} + Pext_{petróleo} * Expo_{petróleo} + Pint_{gas} * QMInt_{gas} + Pext_{gas} * Expo_{gas})* TCC\]
Donde:
Valor Bruto de Producción extracción, estimación con criterio CCNN
\[VBP\_extr_{CCNN} = VBP_{CCNN} * (1-prop\_servicios)\]
Donde:
Proporción de los servicios de apoyo sobre la extracción de petróleo y gas
\[prop\_servicios = \frac{VBP\_servicios_{COU}}{VBP\_extr_{COU} + VBP\_servicios_{COU}}\]
Donde:
Consumo Intermedio, valores oficiales de las CCNN \[ CI_{CCNN} = VBP_{CCNN} - VA_{CCNN} \]
Donde:
Consumo Intermedio, estimación con criterio CCNN \[ CI_{CCNN} = VBP_{CCNN} * Coef\_tec \] Donde:
Consumo Intermedio de extracción, estimación con criterio CCNN
\[ CI\_extr_{CCNN} = VBP\_extr_{CCNN} * Coef\_tec \]
Donde:
Masa Salarial, valores oficiales de las CCNN \[MS = W * Emp * 13\] Donde:
Masa Salarial, estimación con criterio CCNN \[MS = VBP_{CCNN} * Coef\_MS\]
Donde:
Masa Salarial de extracción, estimación con criterio CCNN \[MS\_extr = VBP\_extr_{CCNN} * Coef\_MS\]
Donde:
Valor agregado, estimación criterio CCNN \[VA_{CCNN} = VBP_{CCNN} – CI_{CCNN} \] Donde:
Valor agregado de extracción, estimación con criterio CCNN \[VA\_extr_{CCNN} = VBP\_extr_{CCNN} – CI\_extr_{CCNN} \]
Donde:
Valor agregado, estimación con criterio propio \[VA_{propia} = VBP_{propia} – CI\_extr_{CCNN} \]
Donde:
Excedente Bruto de Explotación, estimación con criterio CCNN \[EBE_{CCNN} = VA_{CCNN} – MS \]
Excedente Bruto de Explotación de extracción, estimación con criterio CCNN \[EBE\_extr_{CCNN} = VA\_extr_{CCNN} – MS\_extr \]
Excedente Bruto de Explotación, estimación con criterio propio \[EBE_{propia} = VA_{propia} – MS\_extr \]
Donde:
Consumo de Capital Fijo, estimación con criterio propio \[ConKfijo = PPyE * prom(\frac{Dep}{PPyE}) \]
Donde:
Plusvalía (Excedente Neto de Explotación), estimación con criterio propio \[PV_{propia} = VA_{propia} - ConKfijo - Imp \]
Donde:
valor_total_produccion = read.csv("../resultados/data_viz/valor_total_produccion.csv")
graf_valor_produccion <- valor_total_produccion %>%
filter(anio > 1960) %>%
ggplot( aes(anio, valor, color = fuente))+
geom_line(alpha = 0.7)+
geom_point(size = 0.435, alpha = 0.2)+
theme_classic()+
theme(legend.position = "bottom")+
labs(title = "Valor de la Producción hidrocarburífera",
subtitle = "Valor total y componentes",
y = "Millones de pesos de 2018")+
facet_wrap(~variable)
gp <- ggplotly(graf_valor_produccion, width = 750, height = 800)
gp[['x']][['layout']][['annotations']][[2]][['x']] <- -0.11
gp %>% layout(margin = list(l = 75))
# PENSAR ALGO ASI PERO MAS ACEPTABLE
# graf_stock_rama <- stock_rama %>%
# # mutate(valor = number_format(valor, big.mark = " " )) %>%
# filter(sector != "distribucion") %>%
# ggplot(aes(anio, valor, color = sector, shape = fuente))+
# geom_line()+
# geom_point(size = .8)+
# theme(legend.position = "bottom")+
# labs(title = "Stock de capital adelantado y activo de segmentos",
# subtitle = "Subsectores del sector hidrocarburífero",
# y = "Millones de pesos de 2018")+
# theme_classic()+
# facet_wrap(~ variable )
#
# ggplotly(graf_stock_rama, width = 800, height = 400)
\[TG_{hidrocarburos} = \frac{PV_{hidrocarburífera}}{KTA_{hidrocarburífero}}\]
Donde:
balances_arg %>%
# filter(unidad == "Millones de pesos") %>%
filter(moneda == "MM_pesos") %>% # ARREGLAR !!
group_by(fecha, sector) %>%
summarise("TG antes de impuestos" = sum(gcia_ant,na.rm = T)/sum (KTA,na.rm = T),
"TG despues de impuestos" = sum(gcia_ant, impuesto_gcia, na.rm = T)/sum(KTA, na.rm = T ) ) %>%
gather(key = variable, value = valor, 3:4) %>%
filter(variable =="TG despues de impuestos") %>%
ggplot(aes(fecha, valor, color = sector))+
geom_line()+
geom_point()+
scale_y_continuous(labels = scales::percent)+
labs(title = "Tasa de ganancia empresas hidrocarburos",
subtitle = "Antes y después de impuestos")+
theme(axis.text.x = element_text(angle = 90))+
facet_wrap(~variable)